空间相似性与RPCA融合的高光谱图像去噪新法

本文探讨了一种结合空间相似性和鲁棒主成分分析(Robust Principal Component Analysis, RPCA)的高光谱图像去噪算法。高光谱图像因其丰富的光谱和空间信息在地物识别中具有重要作用，然而在数据采集过程中，由于环境因素，很容易出现如高斯噪声、椒盐噪声以及条纹噪声等问题，这些噪声对后续的分析和识别过程造成干扰。为了提高高光谱图像的质量，去噪是一个关键步骤。 鲁棒主成分分析（RPCA）作为一种强大的低秩矩阵恢复模型，能够有效地处理受稀疏噪声影响的数据。高光谱图像的光谱特征之间存在着高度的相关性，这种特性意味着光谱信号可以近似地通过少量的光谱基元线性组合来表示，这就使得高光谱图像在数据表示上具有高度的低秩性。利用这一特性，RPCA在高光谱图像去噪中表现出显著的优势。 文章提出的新方法名为S_IRPCA，即Spatial Neighboring Similarity and Improve RPCA。该算法不仅利用RPCA的低秩恢复能力，还结合了高光谱图像的空间邻域相似性，通过考虑像素之间的局部一致性，进一步提升了去噪效果。这种方法在去除噪声的同时，能够更好地保持图像的细节信息，这对于图像恢复和地物识别至关重要。 作者俞珍秒和杨明*通过实验对比，证实了新算法相对于传统的低秩恢复算法在主观视觉和客观评价指标上均有显著提升。这包括图像清晰度、细节保留程度以及噪声抑制效果等方面。实验结果表明，S_IRPCA在高光谱图像去噪任务中展现出了优越性能，为高光谱图像处理提供了新的实用策略。 本文的研究对于改善高光谱图像的质量，提升遥感数据分析的精度，具有重要的理论和实际应用价值。它拓展了RPCA在高光谱图像处理领域的应用，并为今后的图像去噪技术和遥感科学的发展提供了新的思路。